geti

少数据快训练，轻松搞定计算机视觉模型

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 489 🐛 待处理 147 👀 关注 42

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1369

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可，可免费使用和部署。

项目预览

项目数据

分类计算机视觉

开发团队open-edge-platform

官网地址https://docs.geti.intel.com

GitHubhttps://github.com/open-edge-platform/geti

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型automl,computer-vision,deep-learning,geti,image-classification,image-segmentation,incremental-learning,machine-learning,neural-networks-compression,object-detection,openvino,pytorch,quantization,self-supervised-learning,semi-supervised-learning,transfer-learning

GitHub 星标★ 1369

上线时间2018-10-26 00:00:00

代码更新2026-11-09

仓库体积436.7 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-10

浏览次数11

项目介绍

geti 是英特尔推出的计算机视觉模型训练平台，旨在用更少的数据和更短的时间构建高性能视觉模型。它解决了传统深度学习模型开发中数据标注成本高、训练周期长、调参复杂等问题，提供从数据标注、模型训练到部署的全流程自动化能力。核心能力包括自动机器学习（AutoML）、增量学习（incremental learning）、图像分类与分割任务支持，以及直观的图形化界面。用户无需深厚的深度学习背景，即可通过上传少量标注数据，快速训练出可用于实际场景的模型。项目基于 Python 实现，深度集成 PyTorch 生态，支持模型导出与推理优化，适合工业质检、安防监控、农业监测等场景的快速原型验证与落地。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 1369

技术标签

automl computer-vision deep-learning image-classification image-segmentation

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 20 分钟部署方式：Docker 6 步

环境要求

Windows 系统（用于安装 MSIX 桌面应用）
Docker 环境（用于容器方式运行 Geti）
Python 环境及 uv 包管理器（用于安装 getitune 库）
Intel XPU 或 NVIDIA CUDA 显卡（可选，用于加速训练与推理）

安装与启动步骤

1选择运行方式

Geti 提供 Windows MSIX 应用、Docker 容器、安装脚本和源码构建四种方式，按需选择其一即可。
2安装 Windows 应用

按安装指南的 Windows App 章节下载并安装 MSIX 包，适合不熟悉命令行的用户。
3以 Docker 运行

按安装指南的 Run with Docker 章节拉取镜像并启动容器，注意显卡与加速器支持说明。
4安装 getitune 库

训练引擎已发布到 PyPI，默认 CPU 安装；需先准备好 Python 环境与 uv。
```
uv pip install getitune
```

5安装加速版引擎

需要 Intel XPU 或 NVIDIA CUDA 加速时，安装对应 extra 并附加 PyTorch 索引地址。

uv pip install "getitune[xpu]" --extra-index-url https://download.pytorch.org/whl/xpu
uv pip install "getitune[cuda]" --extra-index-url https://download.pytorch.org/whl/cu128

6训练与导出模型

在 Python 中创建引擎、查看可用模型，再用 export() 导出 OpenVINO IR 并 optimize() 做边缘优化。
```
from getitune.engine import create_engine
from getitune.utils import list_models
```